python解析原理_python爬虫原理

简单来说互联网是由一个个站点和网络设备组成的大网，我们通过浏览器访问站点，站点把HTML、JS、CSS代码返回给浏览器，这些代码经过浏览器解析、渲染，将丰富多彩的网页呈现我们眼前；

一、爬虫是什么？

如果我们把互联网比作一张大的蜘蛛网，数据便是存放于蜘蛛网的各个节点，而爬虫就是一只小蜘蛛，

沿着网络抓取自己的猎物（数据）爬虫指的是：向网站发起请求，获取资源后分析并提取有用数据的程序；

从技术层面来说就是通过程序模拟浏览器请求站点的行为，把站点返回的HTML代码/JSON数据/二进制数据（图片、视频）爬到本地，进而提取自己需要的数据，存放起来使用；

二、爬虫的基本流程：

用户获取网络数据的方式：

方式1：浏览器提交请求--->下载网页代码--->解析成页面

方式2：模拟浏览器发送请求(获取网页代码)->提取有用的数据->存放于数据库或文件中

爬虫要做的就是方式2；

1、发起请求

使用http库向目标站点发起请求，即发送一个Request

Request包含：请求头、请求体等

Request模块缺陷：不能执行JS 和CSS 代码

2、获取响应内容

如果服务器能正常响应，则会得到一个Response

Response包含：html，json，图片，视频等

3、解析内容

解析html数据：正则表达式（RE模块），第三方解析库如Beautifulsoup，pyquery等

解析json数据：json模块

解析二进制数据:以wb的方式写入文件

4、保存数据

数据库（MySQL，Mongdb、Redis）

文件

三、http协议请求与响应

Request：用户将自己的信息通过浏览器（socket client）发送给服务器（socket server）

Response：服务器接收请求，分析用户发来的请求信息，然后返回数据（返回的数据中可能包含其他链接，如：图片，js，css等）

ps：浏览器在接收Response后，会解析其内容来显示给用户，而爬虫程序在模拟浏览器发送请求然后接收Response后，是要提取其中的有用数据。

四、 request

1、请求方式：

常见的请求方式：GET / POST

2、请求的URL

url全球统一资源定位符，用来定义互联网上一个唯一的资源例如：一张图片、一个文件、一段视频都可以用url唯一确定

url编码

https://www.baidu.com/s?wd=图片

图片会被编码（看示例代码）

网页的加载过程是：

加载一个网页，通常都是先加载document文档，

在解析document文档的时候，遇到链接，则针对超链接发起下载图片的请求

3、请求头

User-agent：请求头中如果没有user-agent客户端配置，服务端可能将你当做一个非法用户host；

cookies：cookie用来保存登录信息

注意：一般做爬虫都会加上请求头

请求头需要注意的参数：

（1）Referrer：访问源至哪里来（一些大型网站，会通过Referrer 做防盗链策略；所有爬虫也要注意模拟）

（2）User-Agent:访问的浏览器（要加上否则会被当成爬虫程序）

（3）cookie：请求头注意携带

4、请求体

请求体

如果是get方式，请求体没有内容（get请求的请求体放在 url后面参数中，直接能看到）

如果是post方式，请求体是format data

ps：

1、登录窗口，文件上传等，信息都会被附加到请求体内

2、登录，输入错误的用户名密码，然后提交，就可以看到post，正确登录后页面通常会跳转，无法捕捉到post

五、响应Response

1、响应状态码

200：代表成功

301：代表跳转

404：文件不存在

403：无权限访问

502：服务器错误

2、respone header

响应头需要注意的参数：

（1）Set-Cookie:BDSVRTM=0; path=/：可能有多个，是来告诉浏览器，把cookie保存下来

（2）Content-Location：服务端响应头中包含Location返回浏览器之后，浏览器就会重新访问另一个页面

3、preview就是网页源代码

JSO数据

如网页html，图片

二进制数据等

六、总结

1、总结爬虫流程：

爬取--->解析--->存储

2、爬虫所需工具：

请求库：requests,selenium（可以驱动浏览器解析渲染CSS和JS，但有性能劣势（有用没用的网页都会加载）；）解析库：正则，beautifulsoup，pyquery

存储库：文件，MySQL，Mongodb，Redis

3、爬获校花网

最后送给大家点福利吧

基础版：

importreimportrequests

respose=requests.get('http://www.xiaohuar.com/v/')#print(respose.status_code)# 响应的状态码#print(respose.content) #返回字节信息#print(respose.text) #返回文本内容

urls=re.findall(r'class="items".*?href="(.*?)"',respose.text,re.S) #re.S 把文本信息转换成1行匹配

url=urls[5]

result=requests.get(url)

mp4_url=re.findall(r'id="media".*?src="(.*?)"',result.text,re.S)[0]

video=requests.get(mp4_url)

with open('D:\\a.mp4','wb') as f:

f.write(video.content)

View Code

函数封装版

importreimportrequestsimporthashlibimporttime#respose=requests.get('http://www.xiaohuar.com/v/')## print(respose.status_code)# 响应的状态码## print(respose.content) #返回字节信息## print(respose.text) #返回文本内容#urls=re.findall(r'class="items".*?href="(.*?)"',respose.text,re.S) #re.S 把文本信息转换成1行匹配#url=urls[5]#result=requests.get(url)#mp4_url=re.findall(r'id="media".*?src="(.*?)"',result.text,re.S)[0]#

#video=requests.get(mp4_url)#

#with open('D:\\a.mp4','wb') as f:#f.write(video.content)#

defget_index(url):

respose=requests.get(url)if respose.status_code==200:returnrespose.textdefparse_index(res):

urls= re.findall(r'class="items".*?href="(.*?)"', res,re.S) #re.S 把文本信息转换成1行匹配

returnurlsdefget_detail(urls):for url inurls:if not url.startswith('http'):

url='http://www.xiaohuar.com%s' %url

result=requests.get(url)if result.status_code==200:

mp4_url_list= re.findall(r'id="media".*?src="(.*?)"', result.text, re.S)ifmp4_url_list:

mp4_url=mp4_url_list[0]print(mp4_url)#save(mp4_url)

defsave(url):

video=requests.get(url)if video.status_code==200:

m=hashlib.md5()

m.updata(url.encode('utf-8'))

m.updata(str(time.time()).encode('utf-8'))

filename=r'%s.mp4'%m.hexdigest()

filepath=r'D:\\%s'%filename

with open(filepath,'wb') as f:

f.write(video.content)defmain():for i in range(5):

res1= get_index('http://www.xiaohuar.com/list-3-%s.html'%i )

res2=parse_index(res1)

get_detail(res2)if __name__ == '__main__':

main()

View Code

并发版（如果一共需要爬30个视频，开30个线程去做，花的时间就是其中最慢那份的耗时时间）

importreimportrequestsimporthashlibimporttimefrom concurrent.futures importThreadPoolExecutor

p=ThreadPoolExecutor(30) #创建1个程池中，容纳线程个数为30个；

defget_index(url):

respose=requests.get(url)if respose.status_code==200:returnrespose.textdefparse_index(res):

res=res.result() #进程执行完毕后，得到1个对象

urls = re.findall(r'class="items".*?href="(.*?)"', res,re.S) #re.S 把文本信息转换成1行匹配

for url inurls:

p.submit(get_detail(url))#获取详情页提交到线程池

def get_detail(url): #只下载1个视频

if not url.startswith('http'):

url='http://www.xiaohuar.com%s' %url

result=requests.get(url)if result.status_code==200:

mp4_url_list= re.findall(r'id="media".*?src="(.*?)"', result.text, re.S)ifmp4_url_list:

mp4_url=mp4_url_list[0]print(mp4_url)#save(mp4_url)

defsave(url):

video=requests.get(url)if video.status_code==200:

m=hashlib.md5()

m.updata(url.encode('utf-8'))

m.updata(str(time.time()).encode('utf-8'))

filename=r'%s.mp4'%m.hexdigest()

filepath=r'D:\\%s'%filename

with open(filepath,'wb') as f:

f.write(video.content)defmain():for i in range(5):

p.submit(get_index,'http://www.xiaohuar.com/list-3-%s.html'%i ).add_done_callback(parse_index)#1、先把爬主页的任务（get_index）异步提交到线程池

#2、get_index任务执行完后，会通过回调函add_done_callback（）数通知主线程，任务完成；

#2、把get_index执行结果（注意线程执行结果是对象，调用res=res.result()方法，才能获取真正执行结果），当做参数传给parse_index

#3、parse_index任务执行完毕后，

#4、通过循环，再次把获取详情页 get_detail（）任务提交到线程池执行

if __name__ == '__main__':

main()

View Code

涉及知识：多线程多进程

计算密集型任务：使用多进程，因为能Python有GIL，多进程可以利用上CPU多核优势；

IO密集型任务：使用多线程，做IO切换节省任务执行时间（并发）

线程池

python解析原理_python爬虫原理相关推荐

python爬取数据的原理_Python爬虫原理
前言简单来说互联网是由一个个站点和网络设备组成的大网,我们通过浏览器访问站点,站点把HTML.JS.CSS代码返回给浏览器,这些代码经过浏览器解析.渲染,将丰富多彩的网页呈现我们眼前: 一.爬虫是什 ...
简述python爬虫原理_python 爬虫原理
简单来说互联网是由一个个站点和网络组成的大网,我们通过浏览器访问站点,站点把HTML.JS.CSS代码返回给浏览器,这些代码经过浏览器解析.渲染,将丰富多彩的网页呈现我们眼前: 一.爬虫是什么? 如果 ...
python多线程框架_Python爬虫第七天：多线程爬虫|Scrapy框架
内容简述: 一:多线程爬虫二:Scrapy框架一:多线程爬虫原理 [示例见代码] 二:Scrapy框架定义:Scrapy是基于Python实现,方便爬取网站数据.提取结构性数据的应用框架. 底层 ...
(1) 简要说明 html 的基本工作原理.,理解爬虫原理
1. 简单说明爬虫原理什么是爬虫爬虫:请求网站并提取数据的自动化程序百科:网络爬虫(又被称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的称为网页追逐者),是一种按照一定的规则,自动地抓取万 ...
python beautifulsoup库_Python爬虫系列：BeautifulSoup库详解
点击上方蓝字关注"程序员Bob"呀~ 每个人的生命都是通向自我的征途,是对一条道路的尝试,是一条小径的悄然召唤.人们从来都无法以绝对的自我之相存在,每一个人都在努力变成绝对自我,有 ...
python爬取网页内容_Python爬虫原理解析
笔者公众号:技术杂学铺笔者网站:mwhitelab.com 本文将从何为爬虫.网页结构.python代码实现等方面逐步解析网络爬虫. 1. 何为爬虫如今互联网上存储着大量的信息. 作为普通网民,我 ...
python的实现原理_python爬虫实现原理
前言简单来说互联网是由一个个站点和网络设备组成的大网,我们通过浏览器访问站点,站点把HTML.JS.CSS代码返回给浏览器,这些代码经过浏览器解析.渲染,将丰富多彩的网页呈现我们眼前: 一.爬虫是什 ...
python网页结构分析_Python爬虫解析网页的4种方式值得收藏
用Python写爬虫工具在现在是一种司空见惯的事情,每个人都希望能够写一段程序去互联网上扒一点资料下来,用于数据分析或者干点别的事情. 我们知道,爬虫的原理无非是把目标网址的内容下载下来存储到内存中, ...
python中的网页解析器_python爬虫初探（三）：HTML解析器
爬虫初探系列一共4篇,耐心看完,我相信你就能基本了解爬虫是怎样工作的了,目录如下: 代码已上传至github,在python2.7下测试成功(请原谅我浓浓的乡村非主流代码风格)summerliehu/ ...

python解析原理_python爬虫原理

python解析原理_python爬虫原理相关推荐

最新文章

热门文章